欢迎您访问《智慧农业（中英文）》官方网站！ English
智慧农业

智慧农业 >

2025 , Vol. 7 >Issue 2: 41 - 56

DOI: https://doi.org/10.12133/j.smartag.SA202501007

专题--粮食生产大数据平台研发与应用

图神经网络应用于知识图谱构建：研究进展、农业发展潜力及未来方向

  • 袁欢 ,
  • 范蓓蕾 ,
  • 杨晨雪 ,
  • 李娴
展开
  • 中国农业科学院农业信息研究所，北京 100081，中国
李 娴，博士，研究员，研究方向为农业大数据与智能感知技术。E-mail：

袁 欢，硕士研究生，研究方向为农业知识图谱。E-mail：

收稿日期: 2024-12-31

  网络出版日期: 2025-05-14

基金资助

“十四五”国家重点研发计划项目(2023YFD2000103)

收起

Graph Neural Networks for Knowledge Graph Construction: Research Progress, Agricultural Development Potential, and Future Directions

  • YUAN Huan ,
  • FAN Beilei ,
  • YANG Chenxue ,
  • LI Xian
Expand
  • Agricultural Information Institute, Chinese Academy of Agricultural Sciences, Beijing 100081, China
LI Xian, E-mail:

YUAN Huan, E-mail:

Received date: 2024-12-31

  Online published: 2025-05-14

Supported by

National Key Research and Development Program Project(2023YFD2000103)

Copyright

copyright©2025 by the authors
Fold

摘要

【目的/意义】 图神经网络（Graph Neural Networks, GNN）通过图中节点的交互和消息传递来捕捉图数据的复杂关系，被广泛应用于知识图谱构建技术中知识表示、知识抽取、知识融合、知识推理等任务。农业知识图谱（Agricultural Knowledge Graph, AKG）发展及知识服务应用过程中面临数据、关系和结构复杂，以及可解释性不足等诸多挑战，GNN有望利用其在图结构数据建模中的优势破解上述难题。 【进展】 本文首先简要介绍GNN的表示方法和基本思想，并分析了典型的5种GNN模型的主体结构、特点和应用方向。随后，介绍了GNN对于知识表示、实体识别、关系抽取和事件抽取任务的技术优势，为基于多源异构大数据的AKG构建提供技术参考。此外，对GNN在知识补全融合、去噪和异常信息推断等图谱质量提升案例进行了分析。最后，介绍了GNN在农业场景中的应用和构建AKG的发展潜力。 【结论/展望】 目前，GNN在AKG构建与推理中的应用仍处于初步探索阶段，未来应重点突破跨模态数据关联分析、动态知识演化、面向场景的高效推理，以及可解释性与泛化性提升等关键技术。基于GNN的AKG构建技术，有望通过精准和细粒度的实体与关系表达与预测，为农业生产提供高效的知识服务和智慧解决方案。

关键词： 图神经网络; 知识图谱; 知识表示; 知识推理; 知识服务; 农业

本文引用格式

袁欢 , 范蓓蕾 , 杨晨雪 , 李娴 . 图神经网络应用于知识图谱构建：研究进展、农业发展潜力及未来方向[J]. 智慧农业, 2025 , 7(2) : 41 -56 . DOI: 10.12133/j.smartag.SA202501007

Abstract

[Significance] Graph neural networks (GNN) have emerged as a powerful tool in the realm of data analysis, particularly in knowledge graph construction. By capitalizing on the interaction and message passing among nodes in a graph, GNN can capture intricate relationships, making them widely applicable in various tasks, including knowledge representation, extraction, fusion, and inference. In the context of agricultural knowledge graph (AKG) development and knowledge service application, however, the agricultural domain presents unique challenges. These challenges encompass data with high multi-source heterogeneity, dynamic spatio-temporal changes in knowledge, complex relationships, and stringent requirements for interpretability. Given its strengths in graph structure data modeling, GNNs hold great promise in addressing these difficulties. For instance, in agricultural data, information from weather sensors, soil monitoring devices, and historical crop yield records varies significantly in format and type, and the ability of GNNs to handle such heterogeneity becomes crucial. [Progress] Firstly, this paper provides a comprehensive overview of the representation methods and fundamental concepts of GNNs was presented. The main structures, basic principles, characteristics, and application directions of five typical GNN models were discussed, including recursive graph neural networks (RGNN), convolutional graph neural networks (CGNN), graph auto-encoder networks (GAE), graph attention networks (GAT), and spatio-temporal graph neural networks(STGNN). Each of these models has distinct advantages in graph feature extraction, which are leveraged for tasks such as dynamic updates, knowledge completion, and complex relationship modeling in knowledge graphs. For example, STGNNs are particularly adept at handling the time-series and spatial data prevalent in agriculture, enabling more accurate prediction of crop growth patterns. Secondly, how GNN utilize graph structure information and message passing mechanisms to address issues in knowledge extraction related to multi-source heterogeneous data fusion and knowledge representation was elucidated. It can enhance the capabilities of entity recognition disambiguation and multi-modal data entity recognition. For example, when dealing with both textual descriptions of agricultural pests and corresponding image data, GNNs can effectively integrate these different modalities to accurately identify the pests. It also addresses the tasks of modeling complex dependencies and long-distance relationships or multi-modal relation extraction, achieving precise extraction of complex, missing information, or multi-modal events. Furthermore, GNNs possess unique characteristics, such as incorporating node or subgraph topology information, learning deep hidden associations between entities and relationships, generating low-dimensional representations encoding structure and semantics, and learning or fusing iterative non-linear neighborhood feature relationships on the graph structure, make it highly suitable for tasks like entity prediction, relation prediction, denoising, and anomaly information inference. These applications significantly enhance the construction quality of knowledge graphs. In an agricultural setting, this means more reliable predictions of disease outbreaks based on the relationships between environmental factors and crop health. Finally, in-depth analyses of typical cases of intelligent applications based on GNNs in agricultural knowledge question answering, recommendation systems, yield prediction, and pest monitoring and early warning are conducted. The potential of GNNs for constructing temporal agricultural knowledge models is explored, and its ability to adapt to the changing nature of agricultural data over time is highlighted. [Conclusions and Prospects] Research on constructing AKGs using GNNs is in its early stages. Future work should focus on key technologies like deep multi-source heterogeneous data fusion, knowledge graph evolution, scenario-based complex reasoning, and improving interpretability and generalization. GNN-based AKGs are expected to take on professional roles such as virtual field doctors and agricultural experts. Applications in pest control and planting decisions will be more precise, and intelligent tools like smart agricultural inputs and encyclopedia retrieval systems will be more comprehensive. By representing and predicting entities and relationships in agriculture, GNN-based AKGs can offer efficient knowledge services and intelligent solutions for sustainable agricultural development.

Key words： graph neural networks; knowledge graph; knowledge representation; knowledge reasoning; knowledge service; agriculture

（登录www.smartag.net.cn免费获取电子版全文）

0 引 言

农业大数据的开发利用是引导农业生产变革的重要内容。农业知识图谱（Agricultural Knowledge Graph, AKG）利用结构化知识表示方式，将农业生产管理涉及的各类复杂数据抽象为实体及实体间的关系，以图结构建模、识别并建立关联关系，形成农业领域知识图谱，为智慧农业、精准农业提供可用的先验知识。然而，构建高质量的AKG并使其在复杂多变的农业生产环境中发挥实效面临多重挑战：一是农业数据来源广泛且高度异构，农业生产过程中遥感、无人机、物联网、人工监测等获得的海量多源异构数据的整合利用仍然是技术难题；二是农业数据往往具有显著的时空动态性、阶段性和不确定性，难以从庞大的数据中精确提取全面且有用的农业知识。图神经网络（Graph Neural Networks, GNN）作为一种面向图结构数据的强大深度学习模型，凭借其天然适合处理实体及关系构成的图结构数据的优势，特别是其通过节点交互和消息传递机制捕捉复杂依赖关系、学习节点和边深层表示的能力，为破解上述AKG构建与应用中的独特难题提供了新的技术路径。GNN能够有效挖掘实体与关系之间复杂关系，尤其擅长处理多关系、多类型实体构成的异构图，可提高知识图谱的应用效果和可解释性，在作物生长预测［1］、病虫害诊断［2］、农产品推荐［3］、知识问答［4］等均有应用案例，初步展现了其在处理农业复杂问题方面的巨大潜力。
GNN与知识图谱的图结构数据具有良好的契合关系，是知识图谱构建的重要研究方向之一。本文针对农业复杂场景多源异构数据、知识时空动态性带来的可解释性等场景需求，深入探讨GNN在AKG构建中的关键技术和应用效果，明确分析GNN如何针对性应对AKG的挑战，梳理技术难点与问题，展望技术发展趋势，为AKG的构建及其在智慧农业中的应用提供理论参考和技术指导。

1 图神经网络概述

1.1　图的基本表示

GNN最早于2005年由Scarselli等［5］提出，表示为 G = ( V , E )，其中 V = { v 1 , v 2 , . . . , v n }，代表节点的集合， E = { e 1 , e 2 , . . . , e n }代表边集合［6］。图结构也可以表示为五元组 G ( V , E , A , X , D )，其中 A N × N代表图的邻接矩阵， X N × F代表节点的特征矩阵， D N × N代表度矩阵，N代表图中节点的总数，F表示每个节点的特征维度［7］。
GNN通过节点传播信息和更新特征，从而学习图结构中节点和边的表征［8］，主要过程包括：
（1）消息传递：节点接收其邻域信息，并通过一定的机制将其汇总。
（2）节点特征更新：每个节点利用聚合的邻域信息和自身特征，在神经网络层通过非线性变换实现自我特征的更新表示。
（3）读出层：经过多轮消息传递和特征更新后，最终的节点表征可用于节点级任务，或聚合成图级表征用于图级任务。
其中，消息传递是图神经网络的核心机制，它通常包含邻域聚合步骤。在每一层中，节点 V从其相邻节点 N v收集信息并完成聚合［9］。

1.2　图神经网络代表模型

递归图神经网络（Recurrent Graph Neural Networks, RGNN）［10, 11］、卷积图神经网络（Graph Convolutional Networks, GCN）［12］、图自编码网络（Graph Auto-Encoder Networks, GAE）［13］、图注意力网络（Graph Attention Networks, GAT）［14］和时空图神经网络（Spatio-Temporal Graph Neural Networks, STGNN）［15］是GNN的典型代表模型。GNN能够从多源异构的图数据中提取深层特征，不仅支持关系推断，还包括节点分类、知识补全、链路预测等核心任务，为知识图谱的动态更新、知识补全及复杂关系建模提供了技术方法［16］，在作物生长状态预测、病虫害风险评估、精准农事活动推荐等研究中得到应用。

1.2.1　递归图神经网络

RGNN将循环神经网络单元应用于图的每个节点，以捕捉节点随时间的动态变化和序列依赖性［17］。RGNN的每个节点在每个时间步接收来自其邻域节点的信息，通过迭代传播邻接节点信息以获得稳定的节点表示，从而捕捉图中的时序关系或动态演变（图1），融合知识图谱语义与结构信息以提升可解释性与推理能力。在农业领域，RGNN常用于动态环境下的数据建模和分析，例如监测作物生长过程中关键指标的时序变化、预测病虫害传播路径，以及模拟农田环境参数的动态演化［18］，可为智慧农业实时决策提供技术方法。然而，在处理大规模图数据任务时，递归深度增加易导致梯度消失/爆炸、长程依赖关系的捕捉也变得困难，可采用图采样技术减少计算量，或利用并行计算加速模型训练和推理。
图1 基于RGNN的节点分类

Fig. 1 RGNN for node classification

1.2.2　卷积图神经网络

GCN是将传统卷积神经网络（Convolutional Neural Networks, CNN）中的卷积操作推广到图结构数据上的一种神经网络模型。其核心思想是通过对节点 v自身的特征 x v和邻域的特征 x u（其中 x ∈ N ( v )）进行加权求和。GCN通过堆叠多个图卷积层来提取节点的高级表示，利用图卷积操作在节点局部邻域内进行信息聚合，类似于CNN对图像像素邻域的处理，从而捕获图中局部的结构信息和特征依赖性，图2展示了GCN进行节点更新和链路预测的流程。由于继承了CNN的局部连接和权值共享的优点，GCN的模型参数量较少，计算效率大大提高，在链路预测［19］、实体分类［20］、问答系统［21］，以及知识推理［22］等任务具有应用潜力。在农业领域中，GCN被应用于鳄梨成熟度、产量和收益分类预测［23］，以及土壤湿度预测［24］。然而，由于网络层数对处理效率的影响较大，GCN对于复杂和异构图结构的泛化能力可能受到一定限制。针对这些问题，研究者们提出了一些改进方法，如GraphSAGE［25］通过采样邻居节点并进行聚合来降低内存消耗，有效缓解GCN在处理大规模AKG时遇到的计算和内存挑战。
图2 基于GCN的链路预测

Fig. 2 Link prediction using GCN

1.2.3　图自动编码网络

GAE采用无监督学习框架，通过编码器将图数据映射到一个低维的潜在向量空间，再通过解码器重建原始图，从而学习知识的潜在表示，捕获实体之间的语义相似性和逻辑关联关系，这种无监督学习方式对于AKG中常见的知识不完备或数据稀疏问题尤为适用，能够有效地学习农业实体和关系的鲁棒表示，适用于无属性和有属性图，能够有效捕捉图的隐性结构信息［26］。GAE可应用于处理大规模图数据，同时对噪声数据具有一定的鲁棒性，适用于多种图分析任务，广泛用于节点分类、链接预测和图生成（图3）。目前，GAE在农业领域应用较少，但有望在AKG的构建和推理中发挥价值。例如利用GAE学习AKG中实体和关系的低维表示，从而辅助作物生长预测、病虫害诊断等任务；利用GAE在分子图分析和图像聚类中的作用，对农业育种、农业图像等进行知识获取和处理［27］。
图3 基于GAE的图谱重建

Fig. 3 Graph reconstruction based on GAE

1.2.4　图注意力网络

GAT通过引入自注意力机制，使每个节点能够在其邻域内动态地分配不同的权重，有效地聚合邻域节点的特征，并精准地捕捉节点间的依赖关系，能够不依赖于全局结构信息、不预先知晓图结构的情况下进行学习，能够适应多种学习任务。图4展示了双层图注意力网络的节点表示学习过程，该模型的每个节点通过自注意力机制学习与其邻居节点之间的关系，从而获得一个融合了邻居信息的表示向量。邻接矩阵 A 定义了节点之间的连接关系，而特征矩阵 X 则包含了节点的初始特征。通过两层图注意力网络的学习，模型能够捕捉节点间更复杂的关系依赖性，使得红色节点（如代表感染病虫害的作物）的特征更加突出。该模型在处理异构图和多跳推理任务中表现优异，尤其适用于长距离依赖关系建模。GAT在农业领域具有多种应用场景，如通过识别作物的不同状态而用于病虫害识别和分类；或者用于实现对象识别、跟踪和分割等任务，如将叶子图像编码为图形来实现作物病害的识别和分类［28］；以及应用于作物病虫害的细粒度图像识别［29］、构建玉米品种产量预测模型［30］等，可解决数据稀疏等导致预测精度低的问题。但由于自注意力机制计算开销较大，处理大规模AKG时可能会面临较高的计算成本，可以通过剪枝去除不重要的注意力连接而减少计算量，或者通过知识蒸馏迁移到更小模型从而提高推理速度。
图4 基于双层图注意力网络的节点表示学习

Fig. 4 A two-layer GAT for node representation learning

1.2.5　时空图神经网络

STGNN充分考虑空间和时间的依赖性，通过将GCN、循环或CNN相结合，有效地捕获节点之间的空间依赖关系和随时间变化的动态特性，学习空间-时间图中的隐藏模式，这些隐藏模式可能涉及节点与节点之间的关系，以及潜在的知识结构（图5）。针对包含海量时空数据的动态AKG，STGNN能够有效建模其时空动态性，捕获跨时空关联和演化规律，因此非常适用于农业领域的时序知识图谱演化预测等任务。
图 5 时空图神经网络模型及应用示例

Fig. 5 STGNN and application examples

STGNN目前已在农业领域展示应用潜力，主要对具有时空依赖性的问题进行精准预测和建模。目前主要用于作物产量预测和气象灾害预测。具体应用案例包括融合注意力机制的STGNN实现了中国安徽省冬小麦产量的准确预测［31］、融合时空注意力机制的GNN模型实现了霜冻精准预测［32］，这些案例均体现了STGNN在捕捉农业时空复杂性方面的差异化优势，但其高复杂度和对噪声的敏感性，对处理大规模、不确定的农业时空数据构成挑战。

2 图神经网络应用于知识图谱构建

知识图谱是由实体、关系和属性组成的图结构数据［33］。利用在图结构数据处理方面的优势，GNN在知识表示、实体识别、关系抽取、事件抽取等知识图谱构建重要环节发挥了重要作用。为更直观地理解GNN在AKG构建与应用中的关键环节和作用，图6呈现了AKG构建与应用流程。以农业小麦图片为例，数据经预处理和特征提取后，由基于GNN的模型处理，输出特征与结构信息。以此为基础，构建AKG的本体层和实例层，并通过实例化连接两层。构建完成的知识图谱可支持作物推荐等下游应用。框架核心是利用GNN实现非结构化农业数据向结构化知识的转化融合，助力AKG构建与实际应用。
图6 基于 GNN的农业知识图谱构建与应用框架

Fig. 6 A framework for AKG construction and application based on GNN

2.1　基于图神经网络的多模态数据融合与知识表示

AKG的构建通常涉及多种模态的复杂农业数据，包括文本、图像、视频、遥感信息、音频等。这些数据具有异质性强、时空维度丰富、噪声干扰多和样本标注稀缺等特点。因此，在建模之前，需要对不同模态的数据进行预处理，以提升数据质量和模型的适应性，例如对文本进行清洗、分词和规范化，对图像进行配准、校正和增强等常见操作。
为有效处理和整合不同模态的信息构建AKG，多模态数据融合是关键技术之一。其核心在于将不同模态的信息整合至统一的表示空间或图结构中，以捕捉跨模态的关联和互补信息。这有助于更全面地理解复杂的农业现象。常用的融合策略包括：特征级融合、关系级融合和基于Transformer的跨模态融合。特征级融合通过拼接、加权求和或多层感知机融合不同模态特征，如将CNN提取的图像特征与长短期记忆网络（Long Short-Term Memory Network, LSTM）编码的时间序列数据拼接后输入GNN进行节点分类［34］。关系级融合利用异质图神经网络（Heterogeneous Graph Attention Network, HAN）建模不同类型的实体（如作物、病害、环境因素）及其关系。基于Transformer的跨模态融合如GTN（Graph Transformer Network）［35］可以学习不同模态数据的长距离依赖关系和动态权重，实现更灵活的多模态信息整合。
经过融合后的多模态数据或转换成的图结构，需要进行知识表示学习，旨在学习实体和关系的低维、稠密、富有语义信息的向量表示。GNN通过图结构信息进行领域信息聚合和消息传递［36］，在处理AKG这种具有复杂关系、异构性和潜在动态变化的图数据时，与基于逻辑［37］、基于本体［38］、基于向量［39］的知识表示方法相比，GNN具有以下优点。
（1）表达复杂关系。GNN能够深入理解和推理关联关系［40］，以适应图数据的稀疏性。此外，GNN采用多节点表示学习，突破单节点表示的局限性［41］，可应用于知识图谱的链接预测。
（2）表达动态数据和异构数据［42］。在处理异构数据时，GNN能够区分建模不同类型的节点和边，整合来自不同关系的信息。通过引入分层注意力机制，根据元路径重要性聚合邻域特征，获得强有力的异构节点表示［43］。
（3）适应能力强。GNN通过更新图卷积和消息传递，可以快速适应图结构的变化［44］。对于大规模图，GNN通过图嵌入技术将节点和边映射到低维空间，捕捉节点相似性和差异性，提升图分析效率，并解决大规模图数据的计算难度［45］。

2.2　图神经网络与实体识别

实体识别是指从数据中获取人名、地名等实体数据的信息提取技术［46］。农业场景中非结构化和多模态数据广泛存在，GNN能有效处理非结构化和动态变化的实体识别，是开展农业知识抽取的重要技术之一。GNN在实体识别方面具有以下优点。
（1）提升实体识别消歧能力。GNN能够捕捉知识图谱中的多跳关系，通过分析实体间的多跳路径，可以推断出潜在的语义信息，尤其擅长于处理复杂歧义问题。如基于GNN的自动学习方法通过多向图结构捕获多地名词典中的地名信息，与传统方法相比，其F 1值、精确率、召回率都得到全面提升，有效解决了中文实体的歧义问题，提升了实体识别效果［47］。Gui等［48］引入了一种结合词典的全局语义GNN，通过词典知识增强局部组合并利用全局中继节点捕捉整体句子语义，有效解决了文本命名实体识别重叠歧义问题。针对中文命名实体识别中链式模型的局限，Chen等［49］提出随机连接图神经网络（Randomly Wired Graph Neural Network, RWGNN），可自动生成网络中的多向有线模式，并整合词汇信息以增强全局依赖性，消融实验验证了其实体识别的有效性和效率。基于关系图注意力网络的GNN模型主要面向更通用和复杂的多关系图，通过学习多通道实体表示，每个通道对应于实体的潜在语义方面，通过关系特征聚合当前方面的邻域信息，同时进一步加入了查询感知注意力机制提高实体识别准确性［50］。
（2）多模态数据的实体识别能力。针对传统多模态命名识别方法未能充分利用模态间的细粒度语义对应关系，Zhang等［51］提出了一种基于GNN的统一多模态图融合方法，通过细粒度语义交互显著提升实体识别准确性和多模态数据表示效果。为解决模态语义不匹配和细粒度对应缺失问题，Gong等［52］提出了一种创新的基于图神经网络的多模态命名实体识别方法（Graph Neural Network for Multi-Modal Named Entity Recognition, GNN-MNER），利用GCN和GAT对文本与图像进行细粒度对齐和特征融合，在Twitter多模态数据集上具有较高的识别效果。Zhang等［53］提出基于令牌的图框架来处理多语言命名实体识别（Token-wise Graph-based Framework, TGF），通过构建异构信息网络并采用门控机制，并采用注意力机制，增强了文本和图像信息的整合能力，为多模态命名实体识别提供了强有力的支持。Ren等［54］提出了融合GNN的异构动态图变换器（Heterogeneous and Dynamic Graph Transformer, HDGT）模型，通过异构图表示网页内容，采用自适应动态更新机制与多头注意力机制高效融合多模态数据，提升了实体识别的准确性和鲁棒性。Khan等［55］提出一种基于GNN和命名实体识别系统的方法，通过GNN强大的关系捕捉能力精准识别关键信息，有效解决了传统文本摘要中的信息丢失和不准确问题。

2.3　图神经网络与关系抽取

关系抽取旨在确定已识别实体之间的相互作用和关联，农业领域关系抽取更加复杂，如作物与病虫害的关系、农业技术与产量的关系、不同种植技术间的关系等。随着文本、图像等数据应用需求的发展，多模态关系抽取成为研究的新趋势。研究者们探索了 GNN 在以下任务中的应用：
（1）基于图结构的复杂依赖与长距离关系建模。GNN能够自然地将实体和关系表示为图中的节点和边，从而更好地建模实体之间的复杂依赖，尤其是长距离依赖。Guo等［56］提出注意力引导图卷积网络模型（Attention Guided Graph Convolutional Networks, AGGCNs），利用依存树构建图结构来表示句子中词语之间的关系。模型充分利用依存树完整信息，借助软修剪策略自动筛选对关系抽取任务有价值的子结构。这种设计使AGGCNs能高效处理跨句子n-ary关系提取及大规模句子级关系抽取任务，依托依存树跨越句子边界捕捉长距离语义依赖的特性，实现精准关系抽取。类似地，Zhong和Shen［57］针对现有基于图的方法在文档级关系抽取中面临的信息混淆问题，提出一种双流动态图结构网络，通过静态异构图刻画文档全局结构，通过诱导动态图捕捉实体对特定关系信息。双图协同机制有效解决信息混淆与噪声干扰，助力模型精准区分关系类型，在DocRED、CDR和GDA等数据集上展现出卓越性能。Li等［58］提出双注意力图卷积网络（Dual Attention Graph Convolutional Network, DAGCN），通过位置和关系注意力模块分别聚合空间与关系语义信息。其借助注意力机制自适应聚焦关键上下文，利用分布强化学习优化关系表征。
（2）多模态关系抽取。GNN可以融合多模态信息，提升了复杂场景下的关系抽取性能。例如双阶段视觉融合网络（Two Stage Visual Fusion Network, TSVFN）［59］通过结合多模态图和跨模型投影技术，将视觉信息有效融合至文本预训练模型，显著提高了准确率、召回率和F 1值，且在样本较少的情况下表现优异。Wu等［60］和Tian等［61］进一步验证了GNN在多模态融合中的有效性，提升了关系抽取精度。针对对话场景，Chen等［62］提出基于GAT的关系提取方法，通过构建包含说话人和实体的图结构，利用注意力机制增强节点间的依赖关系，显著提升了在DialogRE数据集上的抽取性能。高斯动态时间扭曲池化网络（Gaussian Dynamic Time Warping Pooling Net, GDPNet）模型［63］结合BERT（Bidirectional Encoder Representations from Transformers）和高斯图生成器，通过动态时间规整池化来优化多视图关系抽取，在DialogRE和TACRED数据集上表现出对话处理任务的优势。Carbonell等［64］提出基于GNN的信息抽取方案，在单词分组、实体标注和链接任务中展示出良好的有效性和泛化能力。

2.4　图神经网络与事件抽取

事件抽取是信息提取的关键子任务，旨在识别数据中特定事件类型的实例［65］。事件抽取通过识别和分类事件触发器来实现。农业领域需要抽取病虫害暴发、新技术应用等事件，辅助生产管理与市场分析。但农业事件存在专业术语多、表达形式复杂、部分数据稀缺等挑战，需模型具备领域理解、信息整合与泛化能力。GNN具有以下应对潜力。
（1）复杂关系建模与要素抽取。Gao等［66］提出了一种因果关系图神经网络（Causality-Associated Graph Neural Network, CAG），通过整合领域知识，将外部因果知识建模为因果关联图，通过多层卷积和双向长短期记忆网络进行信息融合，显著提高了因果事件提取的准确性。Lyu等［67］提出的层次化图增强事件检测框架（Hierarchical Graph Enhanced Event Detection, HGEED），通过构建句子图和文档图，分别建模单词间和句子间的依赖关系，这种层次化的图结构使得HGEED能够有效地整合局部和全局信息，在ACE 2005和TAC KBP 2015数据集验证结果表明其性能指标（如精确度、召回率和F 1值）均超过对比基线模型。
（2）上下文捕获。多模态信息融合成为图像理解的重要方向，Guo等［68］提出了一种基于线索的图像理解GNN方法，用于在不同的模型中提取特征，并在特征之间传递信息。通过高度语义化的群体级情感识别和事件识别两个任务，以及多个深度模型的交互，该方法能够合成多个线索，并在选定的图像理解任务上展现出卓越的分类准确率和泛化能力。这一方法为农业领域的多模态事件抽取提供了借鉴，例如可以将作物病虫害的文本描述和图像信息结合起来，提升事件识别的准确性。井佩光等［69］针对短视频事件检测，提出了一种基于深度动态语义关联的方法，通过加强对关键帧重要性程度的考虑，提高潜在语义及其相关性的学习在短视频事件检测中的作用。农业领域中，可以利用该方法从农田监控视频中检测病虫害发生、作物生长状况等事件。
（3）多模态事件信息融合。针对传统事件提取方法严重依赖命名实体识别，且在低资源场景下效率较低的问题，Liu等［70］提出了一种基于GNN门控机制的改进机器阅读理解方法（Machine Reading Comprehension Based Event Extraction, MRCBEE），利用GNN的门控机制来捕获全局特征，并过滤无效邻域的信息。在事件分类和事件触发词识别上，在标准评测任务中触发词提取和论元提取的F 1值分别为74.9%和63.6%，相较于其他模型有显著提升，这表明MRCBEE在低资源场景下具有较好的性能，可应用于数据稀缺的农业事件抽取任务。Mi等［71］提出的双关系图注意力网络模型（Dual Relational Graph Attention Networks, DualGAT）也关注到了不同句法关系产生的冗余或干扰信息问题，通过关系图注意力网络对图进行编码，并引入上下文信息优化其注意力权重，在标准ACE2005基准数据集的事件抽取任务上表现优秀，证明了利用注意力机制过滤冗余信息的重要性。

3 图神经网络应用于知识图谱质量提升

构建高质量的知识图谱对于其在下游任务中的应用至关重要。农业领域中，数据稀疏、信息缺失、多源异构数据融合，以及质量参差等挑战因农业知识的碎片化、专业术语的壁垒，以及跨模态数据的多样性而更加突出。GNN应用于知识图谱的质量提升主要涉及知识图谱补全（包括实体预测和关系预测）和清洗（包括去噪、错误检测和异常推断）等。

3.1　图神经网络与实体预测

实体预测是知识图谱补全的关键任务之一，旨在推断并填补知识图谱中缺失的实体。在AKG中，由于信息的不完整性或抽取难度，部分农业概念（如特定作物病害的某一变种、某个农业实践的参与者等）对应的实体可能在图谱中缺失，降低了图谱的实用性。
实体间通常存在复杂的、非线性的关系模式，例如多跳关系、关系间的依赖等，这对传统的基于规则或嵌入的实体预测方法构成了巨大挑战。Yu等［72］提出的关系动态图注意力网络（Dynamic Graph Attention Fusing Relational Features, RDGAT），通过动态注意力和关系融合策略来优化实体表示，不仅关注实体本身的特征，还深入挖掘了关系在实体表示学习中的作用，通过动态学习关系的权重来捕捉那些难以察觉的关联。Zou等［73］提出了一个利用增强推理路径特征表示的模型，利用邻域聚合推理路径中的实体表示，采用递归跳过网络嵌入关系和实体，同时添加了位置表示。Zhang等［74］提出了一种融合层次注意力的关系图神经网络（Relational Graph Neural Network with Hierarchical Attention, RGHAT），引入了关系级和实体级的两级关注机制：关系级别学习不同关系的重要性，并为重要关系分配更高的权重；实体级别关注与待预测实体相关性更强的邻居。通过层次化的注意力机制赋予RGHAT更精细的关系建模能力，显著提升了复杂关系下实体预测的准确性。
知识图谱丰富的结构信息为实体预测提供了宝贵的线索，GNN能够自然融合图谱中节点邻居、子图结构等拓扑信息，在预测缺失关系方面展现出显著优势。Sun等［75］提出了AliNet（Aligning Network）模型，通过引入远邻来扩大邻域结构之间的重叠，并采用注意力机制和门控机制来利用和控制邻域信息。然而，许多现有的GNN方法将知识图谱中的三元组视为独立的个体，忽略了其中包含的大量有价值的内部和外部信息。针对这一问题，Zhang等［76］提出一种基于GNN的知识图谱推理模型AdaProp，通过学习的方式动态地确定信息的传播路径，使得模型能够根据具体的查询关系和实体，选择性地聚合相关的结构信息，从而识别出有效的候选目标和关系连接。
此外，GNN能够自动学习实体和关系的低维向量表示，这些表示能够捕捉到实体和关系之间深层次的语义信息，有效避免了传统方法中手动设计特征的繁琐过程。Ramzan［77］指出，对知识图谱和文本的密集表示进行近似搜索，可以借助增强的泛化功能，显著提高子图构建的有效性和效率。为了进一步提升表示学习的能力，An等［78］还提出多源知识预测网络（Knowledge Augmented Medication Prediction Network, KAMPNet），利用基于注意力机制的图对比学习提取同类知识间的关系，并通过加权图卷积网络整合异质信息，深度挖掘知识图谱中的隐含信息，增强实体和关系的表示，有效提升实体预测效果。

3.2　图神经网络与关系预测

关系预测是提升知识图谱完整性和连接度的关键环节。在AKG中，实体间的关系类型极为多样且复杂（如“适于种植”“防治”“组成部分”“影响产量”等），且因数据来源分散或专业知识壁垒，许多重要联系可能并未显性标注，例如识别不同农作物、病虫害、环境因素与特定农药之间的隐含关系。
GNN通过在图结构上进行迭代的消息传递和特征聚合，有效地捕获并建模这些复杂的非线性关系。吴铮等［79］提出双曲图注意力网络（Hyperbolic Graph Attention Networks for Link Prediction, HyGAT - LP），将知识图谱嵌入双曲空间以匹配其树状层级结构，并利用实体级和关系级注意力机制聚合邻域特征，更好地处理具有层级结构的关系数据。针对知识超图中多元关系难以平等建模的问题，庞俊等［80］提出了知识超图多元关系表示模型（Hyperedge Prediction Based on Multi-Granular Attention Network, HPMG），通过多粒度学习和全局-局部注意力融合机制，能够有效地捕捉多元关系之间的复杂交互，提升关系预测的准确性。Zeb等［81］提出的扩展关系图注意力网络模型（Complex Graph Convolutional Network, ComplexGCN）则通过有效融合实体与关系信息，增强了对复杂关系的建模能力，尤其在小型网络中表现突出。
在归纳关系预测方法中，基于子图的算法虽能利用子图信息进行预测，但存在可解释性差的问题，Mai等［82］提出了动态图丢弃算法，通过修剪重要的节点和边来寻找最小子图，并结合拓扑和惩罚损失正则化，提高了模型的可解释性和鲁棒性。滕磊等［83］提出了一种基于子图特征融合的链接预测方法（Link Prediction Based on Sub-graph, LPBS），结合强化学习选择子图、多头自注意力提取特征及交叉注意力融合。该方法通过融合子图的特征信息，进一步提升了关系预测的准确性。为了均衡地学习实体与关系的向量表示，Tong等［84］提出了一种基于GNN的知识图谱嵌入方法，通过构建实体和关系双重图结构来充分利用关系结构信息。
一些研究还将GNN应用于技术预测［85］等特定领域，通过融合领域知识或特定数据结构来增强GNN的特征表示能力。杨冠灿等［86］提出了一种基于GNN的细粒度技术会聚预测方法，通过构建细粒度的技术会聚图来优化样本采样策略，实现了细粒度链路预测。Wu和Zhou［87］提出基于超图学习、GNN结合专利数据，以及扩展关系图注意力网络等多种新模型与方法，以提升在大规模、复杂关系网络上的链接预测性能。这些研究表明，GNN能够有效地融合各种类型的特征信息，提升了关系预测的准确性。

3.3　图神经网络应用于知识图谱异常检测

知识图谱的质量是其可靠性和可用性的基础。在知识图谱的构建和演进过程中，引入噪声、错误或异常信息是不可避免的挑战，例如不符合事实的三元组、低质量的数据关联或与整体图谱结构显著偏差的异常模式。
受领域背景知识或隐含关系的影响，噪声的识别与去除具有较大难度，Cui等［88］提出的知识引导图注意力网络，通过信息传播网络挖掘知识图谱中的信息，利用知识路径传播节点将文本和实体相关联，并使用知识引导的文本嵌入更新知识图谱中的关系，以此检测噪声信息。Dong等［89］则提出了一种具有降噪功能的异构图神经网络（Heterogeneous Graph Neural Network with Denoising, HGNND），将不同类型的节点特征投影到统一的向量空间，利用GNN聚合邻域信息，捕获结构特性，并通过去噪操作滤除干扰节点，试验证明其在不依赖元路径的情况下也能有效聚合语义信息。Sun等［90］提出的融合多级采样和自适应聚合机制方法（Multi-Level Sampling with Adaptive Aggregation, MLSAA），通过动态选择最适合特定数据集和任务的聚合函数，并引入独特的抽样策略，选择性地过滤不相关实体，同时保留有益目标，显著提高了模型的灵活性和表现能力，实现了对噪声实体的过滤。
错误检测是识别知识图谱中不准确三元组的核心任务，传统的知识图谱错误检测方法通常依赖于手工构建的规则和简单的负样本生成策略，难以有效应对未知且多样的错误模式。Zhang等［91］提出了对比式知识图谱错误检测方法（ContrAstive knowledge Graph Error Detection, CAGED），通过知识图谱增强机制破坏潜在错误的底层结构，再利用错误感知GNN结合门控注意力机制来有效检测错误信息。桂梁等［92］进一步提出了基于动态邻居选择的知识图谱错误检测方法，通过动态邻居选择和图注意力网络，有效提升了资源有限和处理复杂文本条件下错误检测的性能。
此外，GNN也被用于更广义的异常信息诊断。如Kosasih等［93］提出了一种GNN和知识图谱相结合的神经符号图神经网络，充分利用隐层未知关系实现多种异常信息的有效推断。Xie等［94］则提出了一种基于知识关系的异构图神经网络，在构建的多类型节点异构图基础上，采用基于注意力机制的异构图神经网络进行信息表示，再利用多层感知机实现对异常信息的检测。Wang等［95］针对错误感知少样本知识图谱补全问题提出了错误感知少样本知识图谱补全框架（Error-Aware Few-Shot Graph Completion Framework, REForm），该框架利用少样本学习积累跨任务元知识，并通过邻居编码器、跨关系聚合和错误缓解模块应对训练样本不足和错误带来的挑战。
GNN通过其强大的图结构理解、特征学习和多源信息融合能力，为解决农业知识图谱构建和维护中面临的噪声过滤、错误检测和复杂异常信息识别等关键挑战提供了重要技术支撑，对于保障AKG的高质量和可信赖性具有决定性作用。

4 图神经网络在农业领域的应用及发展潜力

4.1　基于GNN的农业知识问答和推荐系统

随着AKG结构的不断完善，基于GNN的智能问答系统在农业信息服务中展现出显著潜力。特别是在农业问答社区中，传统基于文本相似度的匹配方法往往难以准确理解用户问题背后的真实语义与实际需求。针对农业问答区中有限的文本信息无法为农民提供及时和合适的答问问题，并且传统文本匹配方法难以理解问题背后的真实需求和复杂语义，基于GNN的异质信息网络［96］可以有效处理Farm-Doctor异构网络，将农民、问题、答案、专家等建模为节点，关系为边，从而捕捉深层语义关联，它能够区分不同类型的节点和边，并采用特定的聚合策略来更好地融合异构信息，因此能结合农民历史提问、知识背景，更精准地推荐相关专家或答案，解决信息不足难题，从而优化了问答评估，该模型在问题任务中优于其他基线模型，包括PMF（Probabilistic Matrix Factorization)、CMF（Collective Matrix Factorization)、GraphSAGE（Graph SAmple and Aggregate)等。
传统的推荐方法如基于单关系预测或同构网络设计，局限性较大。为克服这些限制，Zhao和Jia［97］首先将数据构建为异构图，并进行了数据筛选和特征初始化等预处理，然后通过设计双重注意力异构图神经网络（Dual-Attention Heterogeneous Graph Neural Network, DAHGNN）处理多节点类别和多种关系并考虑节点类型的不同影响，更精准地建模用户与作物、病虫害等之间的复杂关联，进而提升用户参与度和病虫害防治效果。DAHGNN在受试者工作特征（Receiver Operating Characteristic, ROC）和F 1值评价指标上均取得了最佳性能，其准确率至少比其他方法高出0.6%。与传统模型（如DeepWalk和Metapath2vec）相比，基于GNN的方法普遍表现出更优的性能；而与同构图神经网络相比，异构图神经网络通过捕获丰富的节点信息显著提升了嵌入表示的质量。此外，在众多异构图神经网络方法中，DAHGNN凭借其独特的双重注意力机制和对节点属性的有效利用，展现出最为出色的性能。这表明，融入节点属性和注意力机制对生成高质量的节点嵌入至关重要，也为提升推荐系统和病虫害防治效果提供了重要的技术支持。
GNN在智能作物推荐系统中也显示出潜力。Ayesha Barvin 和Sampradeepraj［98］基于氮、钾、磷水平，以及温度、湿度、土壤pH值和降雨量等环境数据，将输入环境信息构建为GCN和GNN图中的节点和边用来反映合理的特征关系（如环境条件对作物生长的影响），通过构建图结构以预测最适合环境条件的最佳作物，采用F 1值、准确率、召回率等指标进行交叉验证以评估模型性能，研究表明GCN专注于图卷积和特征聚合因此擅长处理局部数据，而GNN擅长处理广泛的特征交互，通过结合GCN和GNN构建作物推荐系统能够显著提升推荐效果，为特定地区的农业资源管理提供更加个性化和针对性的建议，从而有效促进产量和效益的最大化。
基于经验性的土地评估、土壤调查或简单的统计模型，这些方法难以充分适应不同地区在气候、土壤和环境条件上的显著差异，且往往缺乏对数据间复杂高阶关联的挖掘能力，Zhang等［99］针对这一问题，收集来自全国14个试验点（包括京津冀、东北、华北、黄淮海、西北和西南地区）的10 000条记录数据，涵盖了15种作物表型性状（如叶枯病、倒伏率、产量相对变化等）和24种气候数据（如最高温度、最低温度、相对湿度、阳光时长等），GNN模型用于挖掘试验点之间的地理关系和数据特征之间的潜在联系，将每个数据对象视为图中的一个节点，以节点间的距离作为边构建图结构，通过聚合节点自身特征及其邻近节点的特征来学习不同地理位置之间作物生长模式的差异，并提取关键特征用于玉米品种适宜性评价任务，该模型在仅使用1/10训练样本（1 000个节点）的情况下，取得了74.8%的准确率，显著优于传统机器学习方法（最高为67.6%）和神经网络方法（最高为68.4%）。此外，即使在去除最重要的产量相对变化指标的消融实验中，GNN模型的准确率仅下降约4%，而传统方法的下降幅度更大（约为10%），表明GNN对数据的高阶关联学习能力和鲁棒性更强。
Gupta和Singh［100］提出了基因拓扑图神经网络（Genotypic-Topological Graph Neural Network Framework, Agri-GNN）用于作物产量精准预测。该模型将农田视为图中的节点，然后根据空间和基因型相似性有条不紊地构建节点之间的边，从而允许通过过滤器聚合节点信息，能够有效捕捉农田间的空间和基因型相似性，该模型在包含植被指数、时间、基因型信息和地理位置的数据集上预测决定系数达到0.876，远远优于K最近邻算法（仅为0.026），性能大幅度提升的原因在于Agri-GNN封装了来自植物的局部和全局信息，考虑了它们基于空间接近和共享基因型的固有联系，从而可以做出比传统机器学习架构更准确的预测。

4.2　基于GNN的农业病虫害和任务目标识别视觉应用

在农业计算机视觉任务中，GNN可有效实现图像与语义知识的多模态融合。如Maruthai等［101］提出了一种基于混合视觉图神经网络（Hybrid Vision Graph Neural Networks, HV-GNN）的新策略，用于识别咖啡浆果蛀虫、粉蚧、鳞片和潜叶虫对咖啡产量和质量的威胁。该模型基于包含2 850张标记咖啡植物图像的数据集（覆盖多种害虫侵扰场景），HV-GNN将图像分割为节点和边，与CNN提取的虫害特征进行消息聚合，基于特定区域的上下文来识别害虫的视觉特征及其复杂关系，检测准确率达到93.66%，为咖啡病虫害实时监测预警提供了有效解决方案，凸显了HV-GNN在精准农业中的应用潜力。
传统基于欧几里得空间的像素级注意力机制因缺乏拓扑结构考量而难以引入足够的上下文信息，导致遥感对象区分精度受限。针对该问题，Zhao等［102］提出了一种基于地理场景知识的图结构注意力网络（Graph Structure Attention Network, GSAN），利用地理场景（即对象环境上下文及其邻近类别和空间关系）提供关键空间信息，创新性地将对象识别任务转化为地理场景识别任务。其核心组件图结构注意力机制（Graph Structure Attention, GSAT）基于图核设计，用于识别不同地理场景的图结构，通过图编码器、结构匹配模块、对象匹配模块和语义增强模块（包括基于特征图的GSAN和基于地理知识图谱的GSAN_KG两种模式），显著缓解了光谱相似性问题，在海陆遥感数据集的地理场景识别总体精度达到0.714 9，优于ResNet、SwinTransformer等基线模型及其他图注意力模型，为地理场景知识在遥感图像理解中的应用开拓了新方向。
Zhao等［103］提出了一种融合知识图谱的农业大语言模型架构，该架构以图注意力机制为核心，借助GNN对包含长角甲虫、介壳虫、木虱等多种病虫害的图结构数据进行处理，创新性地设计了一种结合节点损失和边损失的图损失函数，不仅考虑节点标签预测误差，还关注节点间关系，从而强化模型对图结构的理解能力，GNN结合图注意力机制能够动态调整对不同病害特征的关注度，提升对复杂病害模式的识别精度至0.94。进一步通过消融实验验证了图注意力机制和图损失函数的优越性，表明相较于传统的交叉熵损失和焦点损失，图注意力损失在所有性能指标上均有显著提升，为农业病害检测提供了创新解决方案，不仅在理论上推进了深度学习在农业病害检测中的应用，也为实际农业生产中的病害管理和决策支持提供了有力工具。
GNN能有效建模农业场景图像特征的复杂关系，因而有效提高了任务目标识别的准确率，基于GNN的图视觉融合范式在农业病虫害等目标识别、监测预警场景已初见成效，辅助实现更高层次的智能识别与场景理解，未来有望进一步推动农业生产的智能化和精准化进程。

4.3　基于GNN在时序农业知识建模中的潜力

时序知识图谱因能够捕捉知识随时间演化的动态特性，可适用于复杂、动态的农业场景。如不仅可以记录静态的农业知识，更能追踪农作物的生长周期、病虫害的演变、市场需求的变化等关键信息，从而更准确地反映农业生产的实际情况。这种动态性对于优化农业决策、提高生产效率至关重要。如基于时序知识图谱的供应链推荐框架（Temporal Knowledge Graph-Based GNN for Recommendations in Supply Chains, SC-TKGR）［104］，利用增强的时序图嵌入方法建模行为时序特征，结合外部因素捕捉市场动态，并利用对比学习处理稀疏信息，有效捕捉供应链中的需求变化和市场动态。此外，一种基于GNN的时序感知实体对齐方法（Time-aware Entity Alignment Approach Based on Graph Neural Networks, TEA-GNN）［105］，将实体、关系和时间戳嵌入到向量空间，通过时序感知注意力机制，为不同节点分配不同权重，有效整合关系和时间信息。类似地，一种能够同时学习实体和关系语义的证据感知图神经网络（Recurrent Semantic Evidence-Aware Graph Neural Network, RE-SEGNN）［106］，通过语义趋势计算，使模型更关注最近事实的语义，在处理未见实体和关系时具有优势。对于时序演化模式的学习，时态知识图谱推理的历史-未来循环感知图神经网络（Recurrent Perception of History-future Graph Neural Networks for Temporal Knowledge Graph Reasoning, RPHF-GNN）［107］将序列划分为“历史过去”和“历史未来”子图序列，并利用改进的门控单元门（Gate Recurrent Unit, GRU）递归建模，持续感知未见实体带来的演化模式变化，通过静态属性约束实体嵌入，增强模型对过去的记忆，并提高预测准确性。在时空数据处理方面，基于网格邻域的图卷积网络（Grid Neighborhood-Based Graph Convolutional Network, GN-GCN）［108］通过全球网格模型离散化时空数据，学习语义、空间和时间知识，利用多尺度聚合特性提高训练准确性和效率，并在时空实体和关系预测任务中达到最优结果。为进一步提升预测的准确性和鲁棒性，一种因果增强图表示学习框架（Causal Enhanced Graph Representation Learning Framework for TKGR, CEGRL-TKGR）［109］，将因果结构引入图表示学习，以揭示事件之间的因果关系，通过分离时序知识图谱序列中实体和关系的演化表示为因果表示和混杂表示，并利用因果表示进行预测，从而减轻混杂特征导致的错误关联。尽管基于GNN的时序知识图谱构架技术在农业中还未有探索研究与应用案例，但其固有优势有望在环境监测、病虫害防治、产量预测及供应链管理等农业场景发挥强适应性和预测能力，在农业场景中可以实现更精准地预测、推理、推荐，进一步提升农业知识服务的智能化水平。
在此，将本文涉及的图神经网络模型、知识图谱构建、知识质量提升及其在农业上的应用潜力归纳如图7所示。
图7 基于GNN的知识图谱构建及农业应用潜力

Fig. 7 The knowledge graph construction and the application potential in agriculture based on GNN

尽管目前上述技术在农业场景中处于初步研究探索阶段，但在智慧农业快速发展进程中，基于GNN的AKG所扮演田间医生、农技专家等角色将更专业；所应用的病虫害防治推荐、种植决策等将更精准；所构建的检索系统如智能农资、农业百科等智能工具将更全面，从而为农业生产提供更精准、更智能的服务。未来，随着农业数据的不断积累和GNN技术的不断发展，GNN将在农业领域发挥越来越重要的作用。

5 未来方向

本文回顾并梳理了GNN技术及其在AKG构建中的应用与研究现状。GNN凭借其对复杂结构、动态时序和多模态数据的处理能力，将为农业知识的组织、推理和服务提供强大的技术支持，推动农业生产向精准化、智能化方向发展。然而，尽管GNN在AKG构建中取得了显著进展，但该领域的研究仍处于不断发展阶段。将GNN的理论创新有效落地到复杂的农业实践应用中，依然面临诸多待攻克的科学与技术难题。未来的研究需要聚焦以下几个关键方向，以进一步拓展GNN在AKG构建和应用中的潜力。
（1）多源异构农业数据融合与知识图谱构建。农业领域的数据天然具有多源异构的特点，涵盖了作物生长过程中产生的各种类型信息（如生理指标和物候期记录）、复杂的环境因素（气候变化、土壤理化性质和病虫害监测）、地理空间信息（遥感影像和地理信息系统数据），以及大量的非结构化文本数据（科研论文、农业报告和专家经验）和多媒体数据（田间图像和视频）。构建一个全面、准确、可用的AKG，核心挑战在于如何将这些源头多样、格式不同、模态各异的数据进行语义对齐和深度融合，并有效地融入统一的知识图谱框架中。未来的AKG应更加注重多源异构数据的融合，包括作物生长过程、气候环境、土壤性质、遥感监测等多尺度结构化与非结构化数据，以及文本、图像和视频等多模态信息。如何利用GNN高效整合这些数据，并建立具有语义一致性、动态表达能力和推理能力的AKG，是未来研究的重要方向。亟须突破数据异构性处理、信息丢失与稀疏性等问题，并发展适合农业语境的异构GNN模型和自监督学习算法。
（2）知识图谱的动态演化与复杂推理能力提升。农业生产是一个典型的动态系统，受自然季节更替、气候波动、病虫害发生、市场变化、技术进步等多方面因素的影响，农业知识本身也处于持续的演化之中。一个静态的AKG难以准确反映农业系统的现实状况和发展趋势，农业生产活动高度依赖时序变化与环境扰动，AKG应具备动态更新和推理能力，以适应知识的不断演化。未来需要加强对动态图神经网络如Temporal GNN［110］、EvolveGCN［111］等的研究，以实现农业知识的时效性维护。同时，农业决策往往需要复杂的推理过程，如基于多因素预测产量、诊断病害原因链、或评估不同干预措施的潜在影响。这要求AKG超越简单的关联查找，具备多跳、因果及预测性推理能力。结合强化学习、图逻辑推理、符号推理等方法，发展面向农业场景的、具备可解释性的高校知识推理模型至关重要，这将显著提升AKG在智能决策支持中的应用价值。
（3）GNN与强化学习、大模型等先进AI技术的融合应用。随着人工智能技术的发展，GNN与强化学习以及大规模预训练语言模型等融合趋势日益显著。在农业决策支持系统中，GNN作为知识环境的建模工具，为强化学习模型提供结构化先验知识，提高决策智能。另一方面，大模型在处理非结构化文本数据方面表现出色，是辅助AKG构建的重要工具。大模型可以用于从海量的农业科技文献、网络资讯、农户交流中自动抽取和结构化新知识（实体、关系、事件），用于丰富和更新AKG的内容和结构。未来的研究热点包括如何构建高效、可信赖的知识抽取流水线，如何解决大模型抽取知识与AKG现有知识的一致性问题，以及如何设计能够协同利用大模型的语义能力和GNN的结构建模能力的新型混合模型，融合符号知识和隐式知识。
基于GNN的AKG构建研究正迎来快速发展的机遇，同时也面临多源异构融合、动态演化、复杂推理及跨技术融合等挑战。持续探索更高效、更具可扩展性、更精确且可解释的GNN及其与新兴人工智能技术的协同方法，并紧密结合具体的农业应用需求和场景，将是未来研究的核心任务。这不仅需要计算机科学领域的理论突破，也需要与农学、环境科学、数据科学等领域的深度交叉合作。通过攻克这些难题是未来智能农业基础设施的重要组成部分，有力支撑农业生产的精准化、高效化和可持续发展。

利益冲突声明

本研究不存在研究者以及与公开研究成果有关的利益冲突。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
SARKAR S, DEY A, PRADHAN R, et al. Crop yield prediction using multimodal meta-transformer and temporal graph neural networks[J]. IEEE transactions on agrifood electronics, 2024, 2(2): 545-553.

2
MAQSOOD Y, USMAN S M, ALHUSSEIN M, et al. Model agnostic meta-learning (MAML)-based ensemble model for accurate detection of wheat diseases using vision transformer and graph neural networks[J]. Computers, materials & continua, 2024, 79(2): 2795-2811.

3
ZHAO R R, HAN X F. Prediction method of fruit and vegetable product consumption behavior based on graph neural network[J]. Pakistan journal of agricultural sciences, 2024, 61(4): 1235-1245.

4
GONG R Z, LI X X. The application progress and research trends of knowledge graphs and large language models in agriculture[J]. Computers and electronics in agriculture, 2025, 235: ID 110396.

5
SCARSELLI F, GORI M, TSOI A C, et al. The graph neural network model[J]. IEEE transactions on neural networks, 2009, 20(1): 61-80.

6
WU Z H, PAN S R, CHEN F W, et al. A comprehensive survey on graph neural networks[J]. IEEE transactions on neural networks and learning systems, 2021, 32(1): 4-24.

7
吴博, 梁循, 张树森, 等. 图神经网络前沿进展与应用[J]. 计算机学报, 2022, 45(1): 35-68.

WU B, LIANG X, ZHANG S S, et al. Advances and applications in graph neural network[J]. Chinese journal of computers, 2022, 45(1): 35-68.

8
NIKOLENTZOS G, TIXIER A J P, VAZIRGIANNIS M. Message passing attention networks for document understanding[EB/OL]. arXiv: 1908.06267, 2019.

9
XU K, HU W H, LESKOVEC J, et al. How powerful are graph neural networks?[EB/OL]. arXiv: 1810.00826, 2018.

10
HUANG B X, CARLEY K M. Inductive graph representation learning with recurrent graph neural networks[EB/OL]. arXiv: abs/ 1904.2019.

11
CAPANEMA C G S, DE OLIVEIRA G S, SILVA F A, et al. Combining recurrent and Graph Neural Networks to predict the next place's category[J]. Ad hoc networks, 2023, 138: ID 103016.

12
ULLAH I, MANZO M, SHAH M, et al. Graph convolutional networks: Analysis, improvements and results[J]. Applied intelligence, 2022, 52(8): 9033-9044.

13
KIPF T N, WELLING M. Variational graph auto-encoders[EB/OL]. arXiv: 1611.07308, 2016.

14
VELIČKOVIĆ P, CUCURULL G, CASANOVA A, et al. Graph attention networks[EB/OL]. arXiv: 1710.10903, 2017.

15
SAHILI ZAL, AWAD M. Spatio-temporal graph neural networks: A survey[EB/OL]. arXiv: 2301.10569, 2023.

16
ZHANG X, ZHANG C X, GUO J T, et al. Graph attention network with dynamic representation of relations for knowledge graph completion[J]. Expert systems with applications, 2023, 219: ID 119616.

17
FOROUTAN P, LAHMIRI S. Deep learning-based spatial-temporal graph neural networks for price movement classification in crude oil and precious metal markets[J]. Machine learning with applications, 2024, 16: ID 100552.

18
GAO Y J, LIU X Z, WU J Y, et al. ClusterEA: Scalable entity alignment with stochastic training and normalized mini-batch similarities[EB/OL]. arXiv: 2205.10312, 2022.

19
ZHANG Y Y, FANG Q, QIAN S S, et al. Multi-modal multi-relational feature aggregation network for medical knowledge representation learning[C]// Proceedings of the 28th ACM International Conference on Multimedia. New York, USA: ACM, 2020: 3956-3965.

20
HANG M Y, NEVILLE J, RIBEIRO B. A collective learning framework to boost GNN expressiveness for node classification[EB/OL]. arXiv: 2003.12169, 2020.

21
ZHAI W H, ZUBIAGA A, LIU B Q, et al. Towards faithful knowledge graph explanation through deep alignment in commonsense question answering[C]// Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing. San Diego, USA: ACL, 2024: 18920-18930.

22
LEE C H, KIM J, JEONG Y, et al. Can we utilize pre-trained language models within causal discovery algorithms? [EB/OL]. arXiv: 2311.11212, 2023.

23
YU C D D, VILLAVERDE J F. Avocado ripeness classification using graph neural network[C]// 2022 14th International Conference on Computer and Automation Engineering (ICCAE). Piscataway, New Jersey, USA: IEEE, 2022: 74-79.

24
MA L, HUANG X, JIAO L M, et al. Soil moisture prediction based on spatiotemporal graph convolution deep learning[C]// 2024 IEEE 4th International Conference on Information Technology, Big Data and Artificial Intelligence (ICIBA). Piscataway, New Jersey, USA: IEEE, 2024: 1257-1261.

25
HAMILTON W L, YING R, LESKOVEC J. Inductive representa‐tion learning on large graphs[C]// Proceedings of the 31st Interna‐tional Conference on Neural Information Processing Systems. Red Hook, New York, USA: Curran Associates Inc., 2017: 1025-1035.

26
TAN Q Y, ZHANG X, HUANG X, et al. Collaborative graph neural networks for attributed network embedding[J]. IEEE transactions on knowledge and data engineering, 2023, 36: 972-986.

27
ZHANG H, LI P, ZHANG R, et al. Embedding graph auto-encoder for graph clustering[J]. IEEE transactions on neural networks and learning systems, 2023, 34(11): 9352-9362.

28
SUNDHAR S, SHARMA R, MAHESHWARI P, et al. Enhancing leaf disease classification using GAT-GCN hybrid model[EB/OL]. arXiv: 2504.04764, 2025.

29
KONG J L, WANG H X, YANG C C, et al. A spatial feature-enhanced attention neural network with high-order pooling representation for application in pest and disease recognition[J]. Agriculture, 2022, 12(4): ID 500.

30
WANG K Y, HAN Y Y, ZHANG Y Q, et al. Maize yield prediction with trait-missing data via bipartite graph neural network[J]. Frontiers in plant science, 2024, 15: ID 1433552.

31
YE Z C, ZHAI X, SHE T L, et al. Winter wheat yield prediction based on the ASTGNN model coupled with multi-source data[J]. Agronomy, 2024, 14(10): ID 2262.

32
LIRA H, MARTÍ L, SANCHEZ-PI N. Frost forecasting model using graph neural networks with spatio-temporal attention[EB/OL]. (2021-06-15)[2024-12-20].

33
ZHONG L F, WU J, LI Q, et al. A comprehensive survey on automatic knowledge graph construction[J]. ACM computing surveys, 2024, 56(4): 1-62.

34
SHI Z W, LI B. Graph neural networks and attention-based CNN-LSTM for protein classification[EB/OL]. arXiv: 2204.09486, 2022.

35
YUN S, JEONG M, KIM R, et al. Graph transformer networks[EB/OL]. arXiv: 1911.06455, 2019.

36
LOURDUSAMY R, MATTAM X J. Knowledge graph using resource description framework and connectionist theory[J]. Journal of physics: Conference series, 2020, 1427(1): ID 012001.

37
SOWA J F. Principles of Semantic Networks: Explorations in the Representation of Knowledge[M]. Amsterdam: Elsevier, 1991.

38
DELOULE F, ROCHE C. Ontologies and knowledge representation[C]// 1995 IEEE International Conference on Systems, Man and Cybernetics. Piscataway, New Jersey, USA: IEEE, 1995: 3857-3862.

39
BORDES A, USUNIER N, GARCIA-DURÁN A, et al. Translating embeddings for modeling multi-relational data[C]// Proceedings of the 27th International Conference on Neural Information Processing Systems. San Francisco, USA: Curran Associates Inc., 2013: 2787-2795.

40
MA J T, LIU B, LI K L, et al. A review of graph neural networks and pretrained language models for knowledge graph reasoning[J]. Neurocomputing, 2024, 609: ID 128490.

41
ZHANG M H, LI P, XIA Y L, et al. Labeling trick: A theory of using graph neural networks for multi-node representation learning[EB/OL]. arXiv: 2010.16103, 2020.

42
FAN S H, ZHU J X, HAN X T, et al. Metapath-guided heterogeneous graph neural network for intent recommendation[C]// Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York, USA: ACM, 2019: 2478-2486.

43
DU J L, LIU G R, GAO J, et al. Graph neural network-based entity extraction and relationship reasoning in complex knowledge graphs[EB/OL]. arXiv: 2411.15195, 2024.

44
ZHOU J, CUI G Q, HU S D, et al. Graph neural networks: A review of methods and applications[J]. AI open, 2020, 1: 57-81.

45
刘炜, 徐辉, 李卫民. 一种多模态知识图谱实体对齐方法[J]. 应用科学学报, 2024, 42(6): 1040-1051.

LIU W, XU H, LI W M. A multimodal knowledge graph entity alignment method[J]. Journal of applied sciences, 2024, 42(6): 1040-1051.

46
GOYAL A, GUPTA V, KUMAR M. Recent named entity recognition and classification techniques: A systematic review[J]. Computer science review, 2018, 29: 21-43.

47
DING R X, XIE P J, ZHANG X Y, et al. A neural multi-digraph model for Chinese NER with gazetteers[C]// Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics. Florence, Italy. Stroudsburg, PA, USA: ACL, 2019: 1462-1467.

48
GUI T, ZOU Y C, ZHANG Q, et al. A lexicon-based graph neural network for Chinese NER[C]// Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP). Stroudsburg, PA, USA: ACL, 2019: 1040-1050.

49
CHEN J, XI X F, SHENG V S, et al. Randomly wired graph neural network for Chinese NER[J]. Expert systems with applications, 2023, 227: ID 120245.

50
CHEN M Q, ZHANG Y, KOU X Y, et al. R-GAT: Relational graph attention network for multi-relational graphs[EB/OL]. arXiv: 2109.05922, 2021.

51
ZHANG D, WEI S Z, LI S S, et al. Multi-modal graph fusion for named entity recognition with targeted visual guidance[J]. Proceedings of the AAAI conference on artificial intelligence, 2021, 35(16): 14347-14355.

52
GONG Y C, LYU X Q, YUAN Z, et al. GNN-based multimodal named entity recognition[J]. The computer journal, 2024, 67(8): 2622-2632.

53
ZHANG Z X, MAI W X, XIONG H L, et al. A token-wise graph-based framework for multimodal named entity recognition[C]// 2023 IEEE International Conference on Multimedia and Expo (ICME). Piscataway, New Jersey, USA: IEEE, 2023: 2153-2158.

54
REN Y M, LI H, LIU P P, et al. Owner name entity recognition in websites based on heterogeneous and dynamic graph transformer[J]. Knowledge and information systems, 2023, 65(10): 4411-4429.

55
KHAN I Z, SHEIKH A A, SINHA U. Graph neural network and NER-based text summarization[EB/OL]. arXiv: 2402.05126, 2024.

56
GUO Z J, ZHANG Y, LU W. Attention guided graph convolutional networks for relation extraction[C]// Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics. Stroudsburg, PA, USA: ACL, 2019: 241-251.

57
ZHONG Y, SHEN B. Dual-stream dynamic graph structure network for document-level relation extraction[J]. Journal of king Saud university-computer and information sciences, 2024, 36(9): ID 102202.

58
LI Z X, SUN Y R, ZHU J W, et al. Improve relation extraction with dual attention-guided graph convolutional networks[J]. Neural computing and applications, 2021, 33(6): 1773-1784.

59
ZHAO Q H, GAO T H, GUO N. TSVFN: Two-Stage Visual Fusion Network for multimodal relation extraction[J]. Information processing & management, 2023, 60(3): ID 103264.

60
WU T, YOU X L, XIAN X P, et al. Towards deep understanding of graph convolutional networks for relation extraction[J]. Data & knowledge engineering, 2024, 149: ID 102265.

61
TIAN Z, ZHAO X, LI X W, et al. Multi-modal semantics fusion model for domain relation extraction via information bottleneck[J]. Expert systems with applications, 2024, 244: ID 122918.

62
CHEN H, HONG P F, HAN W, et al. Dialogue relation extraction with document-level heterogeneous graph attention networks[EB/OL]. arXiv: 2009.05092, 2020.

63
XUE F Z, SUN A X, ZHANG H, et al. GDPNet: Refining latent multi-view graph for relation extraction[EB/OL]. arXiv: 2012.06780, 2020.

64
CARBONELL M, RIBA P, VILLEGAS M, et al. Named entity recognition and relation extraction with graph neural networks in semi structured documents[C]// 2020 25th International Conference on Pattern Recognition (ICPR). Piscataway, New Jersey, USA: IEEE, 2021: 9622-9627.

65
KNEZ T, ŽITNIK S. Event-centric temporal knowledge graph construction: A survey[J]. Mathematics, 2023, 11(23): ID 4852.

66
GAO J Q, LUO X F, WANG H. Chinese causal event extraction using causality-associated graph neural network[J]. Concurrency and computation: Practice and experience, 2022, 34(3): ID e6572.

67
LYU J W, ZHANG Z Q, JIN L, et al. HGEED: Hierarchical graph enhanced event detection[J]. Neurocomputing, 2021, 453: 141-150.

68
GUO X, POLANIA L F, ZHU B, et al. Graph neural networks for image understanding based on multiple cues: Group emotion recognition and event recognition as use cases[C]// 2020 IEEE Winter Conference on Applications of Computer Vision (WACV). Piscataway, New Jersey, USA: IEEE, 2020: 2910-2919.

69
井佩光, 宋晓艺, 苏育挺. 基于深度动态语义关联的短视频事件检测[J]. 激光与光电子学进展, 2024, 61(4): ID 0437002.

JING P G, SONG X Y, SU Y T. Micro-video event detection based on deep dynamic semantic correlation[J]. Laser & optoelectronics progress, 2024, 61(4): ID 0437002.

70
LIU L, LIU M, LIU S S, et al. Event extraction as machine reading comprehension with question-context bridging[J]. Knowledge-based systems, 2024, 299: ID 112041.

71
MI J X, HU P, LI P. Event detection with dual relational graph attention networks[C]// Proceedings of the 29th International Conference on Computational Linguistics. College Park, USA: International Committee on Computational Linguistics, 2022: 1979-1989.

72
YU C L, WEN H M, KO P C, et al. Automatic construction and optimization method of enterprise data asset knowledge graph based on graph attention network[J]. Journal of radiation research and applied sciences, 2024, 17(3): ID 101023.

73
ZOU J, WAN J, ZHANG H, et al. A multi-hop path query answering model for knowledge graph based on neighborhood aggregation and transformer[J]. Journal of physics: Conference series, 2023, 2560(1): ID 012049.

74
ZHANG Z, ZHUANG F Z, ZHU H S, et al. Relational graph neural network with hierarchical attention for knowledge graph completion[J]. Proceedings of the AAAI conference on artificial intelligence, 2020, 34(5): 9612-9619.

75
SUN Z Q, WANG C M, HU W, et al. Knowledge graph alignment network with gated multi-hop neighborhood aggregation[J]. Proceedings of the AAAI conference on artificial intelligence, 2020, 34(1): 222-229.

76
ZHANG Y Q, ZHOU Z K, YAO Q M, et al. AdaProp: Learning adaptive propagation for graph neural network based knowledge graph reasoning[EB/OL]. arXiv: 2205.15319, 2022.

77
RAMZAN F. Subgraph retrieval for biomedical open-domain question answering: Unlocking the knowledge graph embedding power[D]. Bologna: University of Bologna, 2022.

78
AN Y, TANG H C, JIN B, et al. KAMPNet: Multi-source medical knowledge augmented medication prediction network with multi-level graph contrastive learning[J]. BMC medical informatics and decision making, 2023, 23(1): ID 243.

79
吴铮, 陈鸿昶, 张建朋. 基于双曲图注意力网络的知识图谱链路预测方法[J]. 电子与信息学报, 2022, 44(6): 2184-2194.

WU Z, CHEN H C, ZHANG J P. Link prediction in knowledge graphs based on hyperbolic graph attention networks[J]. Journal of electronics & information technology, 2022, 44(6): 2184-2194.

80
庞俊, 刘小琪, 谷峪, 等. 基于多粒度注意力网络的知识超图链接预测[J]. 软件学报, 2023, 34(3): 1259-1276.

PANG J, LIU X Q, GU Y, et al. Knowledge hypergraph link prediction based on multi-granular attention network[J]. Journal of software, 2023, 34(3): 1259-1276.

81
ZEB A, SAIF S, CHEN J D, et al. Complex graph convolutional network for link prediction in knowledge graphs[J]. Expert systems with applications, 2022, 200: ID 116796.

82
MAI S J, ZHENG S J, SUN Y, et al. Dynamic graph dropout for subgraph-based relation prediction[J]. Knowledge-based systems, 2022, 250: ID 109172.

83
滕磊, 田炜, 靖琦东, 等. 基于子图特征融合的链接预测方法[J]. 软件导刊, 2024, 23(7): 58-63.

TENG L, TIAN W, JING Q D, et al. Link prediction method based on sub-graph feature fusion[J]. Software guide, 2024, 23(7): 58-63.

84
TONG V, NGUYEN D Q, PHUNG D, et al. Two-view graph neural networks for knowledge graph completion[EB/OL]. arXiv: 2112.09231, 2021.

85
肖君超, 钟福利, 张金玲. 基于图神经网络链接预测与回归的新兴技术预测研究: 以人工智能技术为例[J]. 竞争情报, 2024, 20(5): 46-56.

XIAO J C, ZHONG F L, ZHANG J L. Research on emerging technology prediction based on graph neural network link prediction and regression: Taking artificial intelligence technology as an example[J]. Competitive intelligence, 2024, 20(5): 46-56.

86
杨冠灿, 行佳鑫, 鲁国轩, 等. 基于图神经网络的细粒度技术会聚预测方法研究[J]. 信息资源管理学报, 2023, 13(2): 95-107.

YANG G C, XING J X, LU G X, et al. A fine-grained technology convergence prediction method based on graph neural networks[J]. Journal of information resources management, 2023, 13(2): 95-107.

87
WU Y J, ZHOU J T. A hierarchical and interlamination graph self-attention mechanism-based knowledge graph reasoning architecture[J]. Information sciences, 2025, 686: ID 121345.

88
CUI L M, SEO H, TABAR M, et al. DETERRENT: Knowledge guided graph attention network for detecting healthcare misinformation[C]// Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York, USA: ACM, 2020: 492-502.

89
DONG X R, ZHANG Y J, PANG K, et al. Heterogeneous graph neural networks with denoising for graph embeddings[J]. Knowledge-based systems, 2022, 238: ID 107899.

90
SUN K, JIANG H J, HU Y L, et al. Incorporating multi-level sampling with adaptive aggregation for inductive knowledge graph completion[J]. ACM transactions on knowledge discovery from data, 2024, 18(5): 1-16.

91
ZHANG Q G, DONG J N, DUAN K Y, et al. Contrastive knowledge graph error detection[EB/OL]. arXiv: 2211.10030, 2022.

92
桂梁, 徐遥, 何世柱, 等. 基于动态邻居选择的知识图谱事实错误检测方法[J]. 山东大学学报(理学版), 2024, 59(7): 76-84.

GUI L, XU Y, HE S Z, et al. Factual error detection in knowledge graphs based on dynamic neighbor selection[J]. Journal of Shandong university (natural science), 2024, 59(7): 76-84.

93
KOSASIH E E, MARGAROLI F, GELLI S, et al. Towards knowledge graph reasoning for supply chain risk management using graph neural networks[J]. International journal of production research, 2024, 62(15): 5596-5612.

94
XIE B B, MA X X, WU J, et al. Heterogeneous graph neural network via knowledge relations for fake news detection[C]// 35th International Conference on Scientific and Statistical Database Management. New York, USA: ACM, 2023: 1-11.

95
WANG S, HUANG X, CHEN C, et al. REFORM: Error-aware few-shot knowledge graph completion[C]// Proceedings of the 30th ACM International Conference on Information & Knowledge Management. New York, USA: ACM, 2021: 1979-1988.

96
SHEN X X, JIA A L, SHEN S Q, et al. Helping the ineloquent farmers: Finding experts for questions with limited text in agricultural Q&A communities[J]. IEEE access, 2020, 8: 62238-62247.

97
ZHAO M X, JIA A L. A dual-attention heterogeneous graph neural network for expert recommendation in online agricultural question and answering communities[C]// 2022 IEEE 25th International Conference on Computer Supported Cooperative Work in Design (CSCWD). Piscataway, New Jersey, USA: IEEE, 2022: 926-931.

98
AYESHA BARVIN P, SAMPRADEEPRAJ T. Crop recommendation systems based on soil and environmental factors using graph convolution neural network: A systematic literature review[J]. Engineering proceedings, 2023, 58(1): ID 97.

99
ZHANG Q S, LI B, ZHANG Y, et al. Suitability evaluation of crop variety via graph neural network[J]. Computational intelligence and neuroscience, 2022, 2022: ID 5614974.

100
GUPTA A, SINGH A. Agri-GNN: A novel genotypic-topological graph neural network framework built on GraphSAGE for optimized yield prediction[EB/OL]. arXiv: 2310.13037, 2023.

101
MARUTHAI S, SELVANARAYANAN R, THANARAJAN T, et al. Hybrid vision GNNs based early detection and protection against pest diseases in coffee plants[J]. Scientific reports, 2025, 15(1): ID 11778.

102
ZHAO H L, LUO P, CUI W, et al. Geographical scenario knowledge-informed graph structure attention for image segmentation[J]. IEEE transactions on geoscience and remote sensing, 2025, 63: 1-16.

103
ZHAO X Y, CHEN B Y, JI M X, et al. Implementation of large language models and agricultural knowledge graphs for efficient plant disease detection[J]. Agriculture, 2024, 14(8): ID 1359.

104
WANG M J, HUO Y F, ZHENG J H, et al. SC-TKGR: Temporal knowledge graph-based GNN for recommendations in supply chains[J]. Electronics, 2025, 14(2): ID 222.

105
XU C J, SU F L, LEHMANN J. Time-aware graph neural network for entity alignment between temporal knowledge graphs[C]// Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing. Stroudsburg, PA, USA: ACL, 2021: 8999-9010.

106
CAI W Y, LI M F, SHI X H, et al. RE-SEGNN: Recurrent semantic evidence-aware graph neural network for temporal knowledge graph forecasting[J]. Science China information sciences, 2025, 68(2): ID 122104.

107
FENG S L, YE Z M, LIU Q, et al. RPHF-GNN: Recurrent perception of history-future graph neural networks for temporal knowledge graph reasoning[J]. IEEE access, 2025: ID 1.

108
HAN B, QU T T, JIANG J. GN-GCN: Grid neighborhood-based graph convolutional network for spatio-temporal knowledge graph reasoning[J]. ISPRS journal of photogrammetry and remote sensing, 2025, 220: 728-739.

109
SUN J Z, SHENG Y P, HE L R, et al. CEGRL-TKGR: A causal enhanced graph representation learning framework for temporal knowledge graph reasoning[C]// Proceedings of Bridging Neurons and Symbols for Natural Language Processing and Knowledge Graphs Reasoning @ COLING 2025. Turin, Italy: ELRA and ICCL, 2025: 6-17.

110
ZHOU H K, ZHENG D, NISA I, et al. TGL[J]. Proceedings of the VLDB endowment, 2022, 15(8): 1572-1580.

111
PAREJA A, DOMENICONI G, CHEN J, et al. EvolveGCN: Evolving graph convolutional networks for dynamic graphs[J]. Proceedings of the AAAI conference on artificial intelligence, 2020, 34(4): 5363-5370.

Options
文章导航

/

〈 〉

  • 国际刊号　ISSN 2097-485X（网络）
    　　　　　ISSN 2096-8094（印刷）
    国内刊号　CN 10-1681/S
    CODEN　 ZNZHD7
    主管：中华人民共和国农业农村部
    主办：中国农业科学院农业信息研究所
  • 地址：北京市海淀区中关村南大街12号中国农业科学院农业信息研究所
    邮编：100081
    电话：010-82109657
    E-mail：smartag@caas.cn
京ICP备09089781号-37